企业官网建设流程全解析

概念

四大支柱：Langchain、langGraph、deep agent、langsmith
Agent=LLM+Planning+Tools+Memory+Action
AnaConda：主要用来简化数据科学和机器学习的环境搭建 。它集成了 Python 解释器、常用科学计算包以及包管理工具

# 切换python环境conda activate lanchain1.2# 安装ChatOpenAI依赖包pipinstalllangchain-openai pipinstalllangchain-deepseek# 用于管理环境的包pipinstallpython-dotenv

RAG（检索增强生成）开发：大模型的知识冻结（训练的知识时效问题）和大模型幻觉（一本正经的胡说八道就是幻觉），提升回答准确率。

大模型应用开发的场景

• 纯Prompt
• Agent + Function Calling
• RAG（智能客户用的比较多）：Embeddings、向量数据库、向量搜索
• Fine-tuning（精调/微调）

pip install -r

通过专用API调用

调用大模型最重要的几个参数： base_url、model_name、api_key，放在env文件中

deepseek

deepseek官方文档

importosfromurllibimportresponsefromdotenvimportload_dotenvfromlangchain_deepseekimportChatDeepSeek# 读取.env配置文件load_dotenv(override=True)# 默认ChatDeepSeek的api_key、api_base就是这两个key值，也可以不显式加载DEEPSEEK_API_KEY=os.getenv("DEEPSEEK_API_KEY")DEEPSEEK_BASE_URL=os.getenv("DEEPSEEK_BASE_URL")MODEL_NAME=os.getenv("MODEL_NAME")# 模型初始化llm_deepseek=ChatDeepSeek(model=MODEL_NAME,api_key=DEEPSEEK_API_KEY,api_base=DEEPSEEK_BASE_URL,)# 模型调用response=llm_deepseek.invoke("请用一句话介绍你自己")print(response)

智谱（GLM）

官网

fromlangchain_community.chat_modelsimportChatZhipuAIimportosfromdotenvimportload_dotenv# 读取.env配置文件load_dotenv(override=True)# ZHIPUAI_API_KEY = os.getenv("ZHIPUAI_API_KEY")# ZHIPUAI_BASE_URL = os.getenv("ZHIPUAI_BASE_URL")ZHIPUAI_MODEL_NAME=os.getenv("ZHIPUAI_MODEL_NAME")# 模型初始化llm_zhipu=ChatZhipuAI(model=ZHIPUAI_MODEL_NAME,# api_key=ZHIPUAI_API_KEY,# api_base=ZHIPUAI_BASE_URL,)# 模型调用response=llm_zhipu.invoke("请用一句话介绍你自己")print(response)

兼容的解法

使用ChatOpenAI

fromlangchain_openai.chat_models.baseimportChatOpenAI# 读取.env配置文件load_dotenv(override=True)DEEPSEEK_API_KEY=os.getenv("DEEPSEEK_API_KEY")# 如果是智谱的话应该配置：https://open.bigmodel.cn/api/paas/v4DEEPSEEK_BASE_URL=os.getenv("DEEPSEEK_BASE_URL")model=ChatOpenAI(model="deepseek-v4-flash",api_key=DEEPSEEK_API_KEY,base_url=DEEPSEEK_BASE_URL,)print(model.invoke("今天是几月几日？"))

中转平台

OpenRouter

fromlangchain_openrouter.chat_modelsimportChatOpenRouterimportosfromdotenvimportload_dotenv# 读取.env配置文件load_dotenv(override=True)OPENROUTER_API_KEY=os.getenv("OPENROUTER_API_KEY")OPENROUTER_API_BASE=os.getenv("OPENROUTER_API_BASE")model=ChatOpenRouter(model="inclusionai/ling-3.0-flash-sante:free",api_key=OPENROUTER_API_KEY,base_url=OPENROUTER_API_BASE,)print(model.invoke("如果你有一万元你会做什么"))

CloseAI

# 使用CloseAIfromlangchain_openai.chat_models.baseimportChatOpenAIfromdotenvimportload_dotenvimportos# 读取.env配置文件load_dotenv(override=True)CLOSEAI_API_KEY=os.getenv("CLOSEAI_API_KEY")# 如果是智谱的话应该配置：https://open.bigmodel.cn/api/paas/v4CLOSEAI_BASE_URL=os.getenv("CLOSEAI_BASE_URL")model=ChatOpenAI(model="gpt-6-astra",api_key=CLOSEAI_API_KEY,base_url=CLOSEAI_BASE_URL,)print(model.invoke("一句话介绍你自己？"))

使用LangChain的统一方式

init_chat_model()

参数

常用的重要参数

temperature参数的使用场景，区间是0.0-2.0，值越小越没有创意性

• 0.0-0.3:需要一致性、准确性的任务（数学计算、数据提取、分类、代码生成）
• 0.5-0.7：平衡创造性和一致性（聊天、问答）
• 0.8-1.5：创造性任务（写作、头脑风暴）
• 1.5-2.0：高度创造性（诗歌、故事写作），可能会有幻觉问题

max_tokens

本地部署模型的部署与调用

Ollama

去官网下载并安装Ollama，安装模型

# 下载、运行模型的指令ollama run deepseek-r1:1.5b# 结束模型/bye# 查看已有模型ollama list

使用本地ollama中的模型进行初始化

fromlangchain_ollamaimportChatOllama model=ChatOllama(model="deepseek-r1:1.5b",base_url="http://localhost:11434",)print(model.invoke("一句话介绍你自己？"))# 使用init_chat_modelmodel2=init_chat_model(model="deepseek-r1:1.5b",model_provider="ollama",base_url="http://localhost:11434")print(model.invoke("一句话介绍你自己？"))

vLLM

模型的调用

invoke

阻塞式，一次性返回完整结果问答、批量处理任务，无需实时反馈的场景

参数

• input
• config

stream

流式输出，实时返回每个token，适合聊天机器人、长文本生成、需提升用户交互体验的场景

batch

批量处理多个输入高并发场景，需要同时处理多个请求

异步方法

ainvoke：非阻塞式，提高系统吞吐量高并发Web应用、IO密集型任务
astream
abatch